Hadoop之 MapReducer工作過程

1. 從輸入到輸出

一個MapReducer作業經過了input，map，combine，reduce，output五個階段，其中combine階段並不一定發生，map輸出的中間結果被分到reduce的過程成為shuffle（資料清洗）。

在shuffle階段還會發生copy（複製）和sort（排序）。

在MapReduce的過程中，一個作業被分成Map和Reducer兩個計算階段，它們由一個或者多個Map任務和Reduce任務組成。如下圖所示，一個MapReduce作業從資料的流向可以分為Map任務和Reduce任務。當使用者向Hadoop提交一個MapReduce作業時，JobTracker則會根據各個TaskTracker週期性傳送過來的心跳資訊綜合考慮TaskTracker的資源剩餘量，作業優先順序，作業提交時間等因素，為TaskTracker分配合適的任務。Reduce任務預設會在Map任務數量完成5%後才開始啟動。

 

Map任務的執行過程可以概括為：首先透過使用者指定的InputFormat類中的getSplits方法和next方法將輸入檔案切片並解析成鍵值對作為map函式的輸入。然後map函式經過處理之後將中間結果交給指定的Partitioner處理，確保中間結果分發到指定的Reduce任務處理，此時如果使用者指定了Combiner，將執行combine操作。最後map函式將中間結果儲存到本地。

Reduce任務的執行過程可以概括為：首先需要將已經完成Map任務的中間結果複製到Reduce任務所在的節點，待資料複製完成後，再以key進行排序，透過排序，將所有key相同的資料交給reduce函式處理，處理完成後，結果直接輸出到HDFS上。

2. input

如果使用HDFS上的檔案作為MapReduce的輸入，MapReduce計算框架首先會用org.apache.hadoop.mapreduce.InputFomat類的子類FileInputFormat類將作為輸入HDFS上的檔案切分形成輸入分片(InputSplit)，每個InputSplit將作為一個Map任務的輸入，再將InputSplit解析為鍵值對。InputSplit的大小和數量對於MaoReduce作業的效能有非常大的影響。

InputSplit只是邏輯上對輸入資料進行分片，並不會將檔案在磁碟上分成分片進行儲存。InputSplit只是記錄了分片的後設資料節點資訊，例如起始位置，長度以及所在的節點列表等。資料切分的演算法需要確定InputSplit的個數，對於HDFS上的檔案，FileInputFormat類使用computeSplitSize方法計算出InputSplit的大小，程式碼如下：

1. protected long computeSplitSize(long blockSize, long minSize, long maxSize) {
2.    return Math.max(minSize, Math.min(maxSize, blockSize));
3. }

其中 minSize 由mapred-site.xml檔案中的配置項mapred.min.split.size決定，預設為1；maxSize 由mapred-site.xml檔案中的配置項mapred.max.split.size決定，預設為9223 372 036 854 775 807；而blockSize是由hdfs-site.xml檔案中的配置項dfs.block.size決定，預設為67 108 864位元組（64M）。所以InputSplit的大小確定公式為：

1. max(mapred.min.split.size, min(mapred.max.split.size, dfs.block.size));

一般來說，dfs.block.size的大小是確定不變的，所以得到目標InputSplit大小，只需改變mapred.min.split.size 和 mapred.max.split.size 的大小即可。InputSplit的數量為檔案大小除以InputSplitSize。InputSplit的原資料資訊會透過一下程式碼取得：

1. splits.add(new FileSplit(path, length - bytesRemaining, splitSize, blkLocations[blkIndex].getHosts()));

從上面的程式碼可以發現，後設資料的資訊由四部分組成：檔案路徑，檔案開始位置，檔案結束位置，資料塊所在的host。

對於Map任務來說，處理的單位為一個InputSplit。而InputSplit是一個邏輯概念，InputSplit所包含的資料是仍然儲存在HDFS的塊裡面，它們之間的關係如下圖所示：

當輸入檔案切分為InputSplit後，由FileInputFormat的子類（如TextInputFormat）的createRecordReader方法將InputSplit解析為鍵值對，程式碼如下：

1.  public RecordReader<LongWritable, Text>
2.    createRecordReader(InputSplit split,
3.                       TaskAttemptContext context) {
4.    String delimiter = context.getConfiguration().get(
5.        "textinputformat.record.delimiter");
6.    byte[] recordDelimiterBytes = null;
7.    if (null != delimiter)
8.      recordDelimiterBytes = delimiter.getBytes(Charsets.UTF_8);
9.    return new LineRecordReader(recordDelimiterBytes);
10.  }

此處預設是將行號作為鍵。解析出來的鍵值對將被用來作為map函式的輸入。至此input階段結束。

3. map及中間結果的輸出

InputSplit將解析好的鍵值對交給使用者編寫的map函式處理，處理後的中間結果會寫到本地磁碟上，在刷寫磁碟的過程中，還做了partition（分割槽）和 sort（排序）的操作。

map函式產生輸出時，並不是簡單的刷寫磁碟。為了保證I/O效率，採取了先寫到記憶體的環形記憶體緩衝區，並做一次預排序，如下圖所示：

每個Map任務都有一個環形記憶體緩衝區，用於儲存map函式的輸出。預設情況下，緩衝區大小是100M，該值可以透過mapred-site.xml檔案中的io.sort.mb的配置項配置。一旦緩衝區內容達到閾值（由mapred-site.xml檔案的io.sort.spill.percent的值決定，預設為0.80 或者 80%），一個後臺執行緒便會將緩衝區的內容溢寫到磁碟中。再寫磁碟的過程中，map函式的輸出繼續被寫到緩衝區，但如果在此期間緩衝區被填滿，map會阻塞直到寫磁碟過程完成。寫磁碟會以輪詢的方式寫到mapred.local.dir（mapred-site.xml檔案的配置項）配置的作業特定目錄下。

在寫磁碟之前，執行緒會根據資料最終要傳入到的Reducer把緩衝區的資料劃分成（預設是按照鍵）相應的分割槽。在每個分割槽中，後臺執行緒按照建進行內排序，此時如果有一個Combiner，它會在排序後的輸出上執行。

一旦記憶體緩衝區達到溢位的閾值，就會新建一個溢位寫檔案，因此在Map任務完成最後一個輸出記錄之後，會有若干個溢位寫檔案。在Map任務完成之前，溢位寫檔案被合併成一個已分割槽且已排序的輸出檔案作為map輸出的中間結果，這也是Map任務的輸出結果。

如果已經指定Combiner且溢位寫次數至少為3時，Combiner就會在輸出檔案寫到磁碟之前執行。如前文所述，Combiner可以多次執行，並不影響輸出結果。執行Combiner的意義在於使map輸出的中間結果更緊湊，使得寫到本地磁碟和傳給Reducer的資料更少。

為了提高磁碟IO效能，可以考慮壓縮map的輸出，這樣會寫磁碟的速度更快，節約磁碟空間，從而使傳送給Reducer的資料量減少。預設情況下，map的輸出是不壓縮的，但只要將mapred-site.xml檔案的配置項mapred.compress.map.output設為true即可開啟壓縮功能。使用的壓縮庫由mapred-site.xml檔案的配置項mapred.map.output.compression.codec

指定，如下列出了目前hadoop支援的壓縮格式：

壓縮格式	工具	演算法	副檔名	是否包含多個檔案	是否可切分
DEFLATE*	N/A	DEFLATE	.deflate	否	否
Gzip	gzip	DEFLATE	.gz	否	否
bzip2	bzip2	bzip2	.bz2	否	是
LZO	Lzop	LZO	.lzo	否	否

map輸出的中間結果儲存的格式為IFile，IFile是一種支援航壓縮的儲存格式，支援上述壓縮演算法。

Reducer透過Http方式得到輸出檔案的分割槽。將map輸出的中間結果傳送到Reducer的工作執行緒的數量由mapred-site.xml檔案的tasktracker.http.threds配置項決定，此配置針對每個節點，而不是每個Map任務，預設是40，可以根據作業大小，叢集規模以及節點的計算能力而增大。

4. shuffle

shuffle，也叫資料清洗。在某些語境下，代表map函式產生輸出到reduce的消化輸入的整個過程。

4.1 copy階段

Map任務輸出的結果位於Map任務的TaskTracker所在的節點的本地磁碟上。TaskTracker需要為這些分割槽檔案（map輸出）執行Reduce任務。但是，Reduce任務可能需要多個Map任務的輸出作為其特殊的分割槽檔案。每個Map任務的完成時間可能不同，當只要有一個任務完成，Reduce任務就開始複製其輸出。這就是shuffle的copy階段。如下圖所示，Reduce任務有少量複製執行緒，可以並行取得Map任務的輸出，預設值為5個執行緒，該值可以透過設定mapred-site.xml的mapred.reduce.parallel.copies的配置項來改變。

如果map輸出相當小，則會被複制到Reduce所在TaskTracker的記憶體的緩衝區中，緩衝區的大小由mapred-site.xml檔案中的mapred.job.shuffle.input.buffer.percent配置項指定。否則，map輸出將會被複制到磁碟。一旦記憶體緩衝區達到閾值大小（由mapred-site.xml檔案mapred.job.shuffle.merge.percent配置項決定）或緩衝區的檔案數達到閾值大小（由mapred-site.xml檔案mapred.inmem.merge.threshold配置項決定），則合併後溢寫到磁碟中。

4.2 sort階段

隨著溢寫到磁碟的檔案增多，shuffle進行sort階段。這個階段將合併map的輸出檔案，並維持其順序排序，其實做的是歸併排序。排序的過程是迴圈進行，如果有50個map的輸出檔案，而合併因子（由mapred-site.xml檔案的io.sort.factor配置項決定，預設為10）為10，合併操作將進行5次，每次將10個檔案合併成一個檔案，最後有5個檔案，這5個檔案由於不滿足合併條件（檔案數小於合併因子），則不會進行合併，將會直接把5個檔案交給Reduce函式處理。到此shuffle階段完成。

從shuffle的過程可以看出，Map任務處理的是一個InputSplit，而Reduce任務處理的是所有Map任務同一個分割槽的中間結果。

5. reduce及最後結果的輸出

reduce階段操作的實質就是對經過shuffle處理後的檔案呼叫reduce函式處理。由於經過了shuffle的處理，檔案都是按鍵分割槽且有序，對相同分割槽的檔案呼叫一次reduce函式處理。

與map的中間結果不同的是，reduce的輸出一般為HDFS。

6. sort

排序貫穿於Map任務和Reduce任務，排序操作屬於MapReduce計算框架的預設行為，不管流程是否需要，都會進行排序。在MapReduce計算框架中，主要用到了兩種排序演算法：快速排序和歸併排序。

在Map任務和Reduce任務的過程中，一共發生了3次排序操作。

（1）當map函式產生輸出時，會首先寫入記憶體的環形緩衝區，當達到設定的閾值，在刷寫磁碟之前，後臺執行緒會將緩衝區的資料劃分相應的分割槽。在每個分割槽中，後臺執行緒按鍵進行內排序。如下圖所示。

（2）在Map任務完成之前，磁碟上存在多個已經分好區，並排好序，大小和緩衝區一樣的溢寫檔案，這時溢寫檔案將被合併成一個已分割槽且已排序的輸出檔案。由於溢寫檔案已經經過一次排序，所以合併檔案時只需再做一次排序就可使輸出檔案整體有序。如下圖所示。

（3）在shuffle階段，需要將多個Map任務的輸出檔案合併，由於經過第二次排序，所以合併檔案時只需在做一次排序就可以使輸出檔案整體有序。

在這3次排序中第一次是在記憶體緩衝區做的內排序，使用的演算法是快速排序；第二次排序和第三次排序都是在檔案合併階段發生的，使用的是歸併排序。

7. 作業的進度組成

一個MapReduce作業在Hadoop上執行時，客戶端的螢幕通常會列印作業日誌，如下：

對於一個大型的MapReduce作業來說，執行時間可能會比較比較長，透過日誌瞭解作業的執行狀態和作業進度是非常重要的。對於Map來說，進度代表實際處理輸入所佔比例，例如 map 60% reduce 0% 表示Map任務已經處理了作業輸入檔案的60%，而Reduce任務還沒有開始。而對於Reduce的進度來說，情況比較複雜，從前面得知，reduce階段分為copy，sort 和 reduce，這三個步驟共同組成了reduce的進度，各佔1/3。如果reduce已經處理了2/3的輸入，那麼整個reduce的進度應該為1/3 + 1/3 + 1/3 * (2/3) = 5/9 ，因為reduce開始處理時，copy和sort已經完成。

 

 來源於：《Hadoop 海量資料處理》

轉： http://blog.csdn.net/sunnyyoona/article/details/53939546